基于机器学习的预测,使用妊娠抗体水平来预测抗脂综合征的不良妊娠结果
Wanqing Liu1, Ju Huang1, Jun Xiao1
1Department of Obstetrics and Gynecology, Deyang People's Hospital, Deyang, Sichuan, China.
Frontiers in physiology
|September 10, 2025
概括
机器学习可以准确地预测抗脂综合征 (APS) 患者的不良妊娠结果,使用早期怀孕抗体水平和临床数据. 该XGBoost模型识别高风险怀孕,帮助个性化干预.
科学领域:
- 产科和妇科 产科和妇科
- 免疫学 免疫学 免疫学
- 数据科学在医学中的数据科学
背景情况:
- 抗脂综合征 (APS) 是一种与不良妊娠结果 (APO) 相关的显著免疫疾病.
- 对APS和APO的关键生物标志物包括抗脂抗体 (aPLs),如抗心脂抗体 (aCL),抗β2-糖蛋白I抗体 (aβ2GP1) 和狼抗凝剂 (LA).
研究的目的:
- 开发和评估用于预测APS患者不良妊娠结果的机器学习模型.
- 为了确定早期怀孕的aPL水平和预测APO的临床特征.
主要方法:
- 一项前性观察队列研究,涉及708名APS患者.
- 6个机器学习模型 (LGBM,CatBoost,XGBoost,LR,RF,MLP) 的开发和比较.
- 使用AUROC,精度,灵敏度,特异性,F1得分,SHAP和DCA进行评估.
主要成果:
- XGBoost 模型表现出最高的预测性能,AUROC 为 0.864.
- 确定的显著预测因素包括aβ2GP1,LA1/LA2,aCL,终止时的妊娠周,年龄,BMI和不良怀孕史.
- 确定aβ2GP1水平是最关键的预测因素.
结论:
- 通过整合aPL水平和临床数据,XGBoost模型有效地预测了APS患者的不良妊娠结果.
- 这种预测能力支持及时的临床干预和高风险怀孕的个性化治疗策略.
